亚洲在线久爱草,狠狠天天香蕉网,天天搞日日干久草,伊人亚洲日本欧美

為了賬號安全,請及時綁定郵箱和手機立即綁定

個性化推薦算法實戰入門必修課

難度中級
時長 2小時24分
學習人數
綜合評分9.37
14人評價 查看評價
9.4 內容實用
9.1 簡潔易懂
9.6 邏輯清晰
總點擊次數為啥是相乘而不是相加

最新回答 / David
您好,根據慕課網的規定,好像免費課不能提供,非常遺憾。不過你可以對著屏幕敲一下。沒多少。謝謝。

已采納回答 / David
print type(?sim_info[itemid])。debug一下。

最新回答 / David
這個根據你自己的用戶量級,用戶量級不大的情況下,usercf。用戶量級太大的話 usercf需要工程技巧比較大。

最新回答 / AJR
辛虧你自問自答了這個問題,我剛才還在想這個s(i,k)表示的是什么意思呢?

已采納回答 / David
我是讓大家看懂這個數據結構,我難道還得窮舉出來嗎?真實系統itemid 好幾百萬,我光列這個itemid 就用好幾頁?

最新回答 / David
當user達到千萬級別, 不管item量級是不是千萬都選 itemcf。 因為item 可以做初步的剪枝,比如非同類別不計算等等控制計算量。
關于weixin_189560說的,offline的評價方法,你說哪里說不通,你說出來,我們交流一下。
weixin_189560的評論,我回復一下(說什么交叉驗證這一條),個性化召回算法,不是監督學習,不需要也沒法用所謂的召回和準確率評價。學以致用就是告訴我們在什么場景解決什么問題,用什么算法用什么模型,同樣也是用什么指標來評價。不是所有的一涉及算法或者機器學習,就交叉驗證,這里是算法生產,都不是監督學習,你交叉驗證的意義是啥,毫無意義。
根據老師的算法,用該數據集測試,十折交叉驗證,準確率和召回率分別為0.030和0.057,可以用慘不忍睹來形容了,但是就算結果不好,老師也應當將一些評估的算法實現一下以供大家參考才對
關于offline的評價方法,老師的原話是這樣的:“已知某種算法給用戶A推薦出了物品a、b以及d,又得到用戶A在測試集上有過物品a、b、f、還有m的展現,這個時候我們發現推薦出來的結果a、b和用戶真實的在測試集上的展現有重合,即a、b,這個重合就是評價的分母,用戶A在測試集上點擊過物品a和物品f,推薦的結果和用戶A在測試集上的點擊a、f有重合,這個重合a就是分母,所以整體點擊率的表現就是1/2,也即是50%.”,會發現很多地方都有點說不通

最新回答 / David
放在那里本意是,給某個user推薦時候,不要推薦他曾經點擊過的物品。是這個意思,代碼里確實沒寫上。

已采納回答 / David
相似度得分沒有算自己和自己的相似度。

已采納回答 / David
明白你的意思了,這個地方你說的重復是指的舉例,比如點擊了1,2,3 三個item,這三個item比如說都推出了4這個item,對4這個item的得分應該累加更妥當。

最新回答 / KuKuXia
你好,我將自己敲的代碼分享到我的Github了,你可以看看,地址:https://github.com/KuKuXia/Recommendation_System/blob/master/05_iMooc_Recommendation_System_Basics.ipynb僅供大家交流學習
課程須知
1、對高數公式的基本掌握,矩陣知識的大體了解。 2、對python編程語法的熟悉,常用數據結構的掌握。
老師告訴你能學到什么?
1. 工業界個性化推薦算法的主流程與個性化推薦召回算法的主落地架構。 2. 協同過濾的理論與代碼實戰。 3. 工業界對個性化推薦算法的在線離線評估。

微信掃碼,參與3人拼團

微信客服

購課補貼
聯系客服咨詢優惠詳情

幫助反饋 APP下載

慕課網APP
您的移動學習伙伴

公眾號

掃描二維碼
關注慕課網微信公眾號

友情提示:

您好,此課程屬于遷移課程,您已購買該課程,無需重復購買,感謝您對慕課網的支持!

本次提問將花費2個積分

你的積分不足,無法發表

為什么扣積分?

本次提問將花費2個積分

繼續發表請點擊 "確定"

為什么扣積分?

舉報

0/150
提交
取消